Começar

YOLOv3 e YOLOv3u

Visão geral#

Este documento apresenta uma visão geral de três modelos de deteção de objetos estreitamente relacionados, nomeadamente YOLOv3, YOLOv3-Ultralytics e YOLOv3u.

  1. YOLOv3: Esta é a terceira versão do algoritmo de deteção de objetos You Only Look Once (YOLO). Desenvolvido originalmente por Joseph Redmon, o YOLOv3 melhorou os modelos anteriores ao introduzir previsões em três escalas diferentes.

  2. YOLOv3-Ultralytics: Esta é a implementação de YOLOv3 em PyTorch da Ultralytics, mantida no repositório ultralytics/yolov3. Mantém a arquitetura original baseada em âncoras, ao mesmo tempo que adiciona mais modelos pré-treinados e facilita a personalização.

  3. YOLOv3u: Esta é uma versão atualizada do YOLOv3-Ultralytics que incorpora a cabeça dividida sem âncoras e sem pontuação de confiança para a presença de objetos, utilizada nos modelos YOLOv8. O YOLOv3u mantém a mesma arquitetura da rede base e do pescoço do YOLOv3, mas com a cabeça de deteção atualizada do YOLOv8.

Faixa do modelo de deteção de objetos YOLOv3

Principais funcionalidades#

  • YOLOv3: Introduziu a deteção em três escalas diferentes, com grelhas de saída de 13x13, 26x26 e 52x52 para uma entrada de 416x416. Isto melhorou significativamente a precisão da deteção de objetos de diferentes tamanhos. Além disso, o YOLOv3 adicionou previsões multilabel para cada caixa delimitadora e uma rede de extração de características mais robusta, a Darknet-53.

  • YOLOv3u: Este modelo atualizado incorpora a cabeça dividida sem âncoras nem objetividade do YOLOv8. Ao eliminar a necessidade de caixas-âncora predefinidas e de pontuações de objetividade, este design da cabeça de deteção pode melhorar a capacidade do modelo para detetar objetos de diferentes tamanhos e formas. Isto torna o YOLOv3u mais robusto e preciso em tarefas de deteção de objetos.

Tarefas e modos compatíveis#

O YOLOv3 foi concebido especificamente para tarefas de deteção de objetos. A Ultralytics suporta três variantes do YOLOv3: yolov3u, yolov3-tinyu e yolov3-sppu. O u no nome indica que estas variantes utilizam a cabeça sem âncoras do YOLOv8, ao contrário da arquitetura original, que se baseia em âncoras. As variantes equilibram precisão e velocidade: o YOLOv3-Tiny é o mais pequeno e rápido, enquanto o YOLOv3-SPP adiciona agregação piramidal espacial ao modelo YOLOv3 padrão.

Os três modelos suportam os modos de treino, validação, inferência e exportação, cobrindo todas as etapas, do desenvolvimento à implementação do modelo.

Tipo de modeloPesos pré-treinadosTarefas suportadasTreinamentoValidaçãoInferênciaExportar
YOLOv3(u)yolov3u.ptDeteção de objetos✅✅✅✅
YOLOv3-Tiny(u)yolov3-tinyu.ptDeteção de objetos✅✅✅✅
YOLOv3-SPP(u)yolov3-sppu.ptDeteção de objetos✅✅✅✅

Esta tabela resume as tarefas e os modos suportados por cada variante do YOLOv3.

Exemplos de uso#

Este exemplo apresenta exemplos simples de treino e inferência com YOLOv3.

Exemplo

Os modelos *.pt pré-treinados em PyTorch, assim como os ficheiros de configuração *.yaml, podem ser passados à classe YOLO() para criar uma instância do modelo em Python:

from ultralytics import YOLO

# Carrega um modelo YOLOv3u pré-treinado no COCO
model = YOLO("yolov3u.pt")

# Exibir informações do modelo (opcional)
model.info()

# Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

# Executa a inferência com o modelo YOLOv3u na imagem 'bus.jpg'
results = model("path/to/bus.jpg")

Citações e agradecimentos#

Se utilizares YOLOv3 na tua investigação, cita os artigos originais do YOLO e o repositório YOLOv3 da Ultralytics:

Citação
@article{redmon2018yolov3,
  title={YOLOv3: An Incremental Improvement},
  author={Redmon, Joseph and Farhadi, Ali},
  journal={arXiv preprint arXiv:1804.02767},
  year={2018}
}

Agradecemos a Joseph Redmon e Ali Farhadi pelo desenvolvimento do YOLOv3 original.

Perguntas frequentes#

  • O YOLOv3 é a terceira iteração do algoritmo de deteção de objetos YOLO (You Only Look Once), desenvolvido por Joseph Redmon e conhecido pelo equilíbrio entre precisão e velocidade, com previsões em três escalas diferentes (grelhas de 13x13, 26x26 e 52x52 para uma entrada de 416x416). O YOLOv3-Ultralytics é uma adaptação do YOLOv3 da Ultralytics que acrescenta suporte para mais modelos pré-treinados e facilita a personalização de modelos. O YOLOv3u é uma variante atualizada do YOLOv3-Ultralytics, que integra a cabeça dividida sem âncoras e sem objetividade do YOLOv8, melhorando a robustez e a precisão da deteção para objetos de vários tamanhos.

  • Podes treinar um modelo YOLOv3u com Python ou com a CLI:

    Exemplo
    from ultralytics import YOLO
    
    # Carrega um modelo YOLOv3u pré-treinado no COCO
    model = YOLO("yolov3u.pt")
    
    # Treina o modelo no conjunto de dados de exemplo COCO8 durante 100 épocas
    results = model.train(data="coco8.yaml", epochs=100, imgsz=640)

    Para consultar mais opções e orientações de treino, visita a documentação do modo Train.

  • O YOLOv3u melhora o YOLOv3 e o YOLOv3-Ultralytics ao incorporar a cabeça dividida sem âncoras e sem objectness utilizada nos modelos YOLOv8. Esta atualização elimina a necessidade de caixas-âncora predefinidas e pontuações de objectness, aumentando a capacidade de detetar objetos de vários tamanhos e formas com maior precisão. Isto torna o YOLOv3u uma opção melhor para tarefas de deteção de objetos complexas e variadas. Para mais informações, consulta a secção Principais funcionalidades.

  • Podes executar inferências com modelos YOLOv3 através de Python ou da CLI:

    Exemplo
    from ultralytics import YOLO
    
    # Carrega um modelo YOLOv3u pré-treinado no COCO
    model = YOLO("yolov3u.pt")
    
    # Executa a inferência com o modelo YOLOv3u na imagem 'bus.jpg'
    results = model("path/to/bus.jpg")

    Consulta a documentação do modo de inferência para saber mais sobre como executar modelos YOLO.

  • O YOLOv3, o YOLOv3-Tiny e o YOLOv3-SPP suportam principalmente tarefas de deteção de objetos. Estes modelos suportam os modos de treino, validação, inferência e exportação.

  • Se utilizares YOLOv3 na tua investigação, cita os artigos originais do YOLO e o repositório YOLOv3 da Ultralytics. Exemplo de citação BibTeX:

    Citação
    @article{redmon2018yolov3,
      title={YOLOv3: An Incremental Improvement},
      author={Redmon, Joseph and Farhadi, Ali},
      journal={arXiv preprint arXiv:1804.02767},
      year={2018}
    }

    Para mais informações sobre citações, consulta a secção Citações e agradecimentos.

Comentários

Faz uma pergunta, partilha os teus resultados ou ajuda alguém.